RieszBoost：用于Riesz回归的梯度提升

回答因果问题通常涉及估计条件期望的线性泛函，例如平均处理效应或纵向修正治疗策略的效应。根据Riesz表示定理，这些泛函可以表示为结果的条件期望与Riesz表示子的期望乘积，后者是双重稳健估计方法中的关键组成部分。传统上，Riesz表示子是通过推导其显式解析形式、估计其各组成部分并将这些估计值代入已知形式（例如逆倾向得分）来间接估计的。然而，推导或估计解析形式可能具有挑战性，且代入方法通常对实际正值性违例敏感，导致方差更大和置信区间更宽。在本文中，我们提出了一种新颖的梯度提升算法，无需其显式解析形式即可直接估计Riesz表示子。该方法特别适用于表格数据，为现有的Riesz回归方法提供了一种灵活、非参数且计算高效的替代方案。通过模拟研究，我们证明了我们的算法在一系列泛函上的表现与间接估计技术相当或更优，为估计因果量提供了一种用户友好且稳健的解决方案。